暂无搜索历史
90%的人选错 Agent 开发工具,不是因为工具本身不好,而是因为一开始就没搞清楚自己的需求。
我是怕浪猫,一个在 AI 工程化这条路上踩了无数坑的开发者。从最早写提示词到后来搭建多智能体系统,我见过太多人对 Agent 的认知停留在"能对话的 AI"这个...
前面章节我们拆解了LangChain的核心组件(Chain、RAG、Agent、LangServe、LangSmith),掌握了从开发到部署、从调试到监控的全流...
用LangChain开发完Chain、RAG或Agent后,你是否会遇到这些痛点:模型输出莫名其妙出错,却找不到问题在哪?不同提示词、不同模型的效果,凭感觉判断...
用LangChain开发完链(Chain)、RAG系统或Agent后,最关键的一步就是“落地部署”——让你的LLM应用能被前端、其他服务调用,真正发挥业务价值。...
做LangChain开发最忌讳“重复造轮子”——很多常见场景(聊天机器人、文档问答、Agent代理),官方早已提供成熟的应用模板,基于模板修改适配业务,能节省8...
在LangChain开发中,“能跑通”是基础,“跑的快、成本低”才是生产级应用的核心竞争力。无论是高频LLM调用、重复向量检索,还是批量文本处理,都会面临响应延...
随着大模型技术的迭代,LangChain早已突破“纯文本处理”的局限,逐步实现对图像、音频、PDF(含表格/图像)等非文本数据的全方位支持。在实际业务中,纯文本...
在LangChain开发中,“黑盒问题”是很多开发者的痛点——链(Chain)、代理(Agent)、工具(Tool)的执行过程不透明,出现问题难以定位,生产环境...
在LangChain开发中,“能跑通”只是基础,“能稳定跑”才是生产级应用的核心要求。无论是LLM API调用超时、Token超限,还是恶意的提示注入攻击,任何...
在前一章中,我们学习了 LangChain Agent 的基础用法——通过 initialize_agent 快速创建智能体,实现简单的多步骤推理与工具调用。但...
在前一章中,我们掌握了「工具(Tools)」的开发与调用,但这种调用更偏向于“单任务执行”——用户明确指令调用某个工具,程序被动执行。而在复杂的业务场景中,用户...
在前几章中,我们搭建的RAG系统、对话链,核心能力局限于“基于已有数据生成回答”——无法获取实时信息(如当前天气、股票价格),无法执行计算操作(如行程时间、金额...
在之前的章节中,我们搭建的RAG系统、问答链,都有一个明显的局限——模型无法记住对话历史。比如用户先问“公司2023年总营收是多少”,再问“它同比增长了多少”,...
我是怕浪猫,这章做内容审核。LLMOps平台的审核要做两层——输入审核(用户不能说坏话)和输出审核(AI不能说坏话)。双保险,才能不留死角。微信公众号搜索 “怕...
不做认证的AI平台,等于把钥匙挂在门上。JWT + 第三方登录,给你的平台加上安全锁。
在LangChain生态中,向量嵌入(Embedding)是实现“语义检索”的核心基石——无论是RAG(检索增强生成)、智能问答,还是文本聚类,都离不开它将文本...
在LangChain开发中,我们常常需要处理外部文档——比如PDF格式的公司制度、Word格式的报告、HTML网页内容、Markdown文档等,再结合大模型实现...
苍生涂涂,天下缭燎,诸子百家,唯我纵横。
资深AI系统工程师 | 大数据与大模型实战者,近3年专注大模型(LLM)工程化落地。
暂未填写学校和专业
暂未填写所在城市